基于BP算法企业经营状况评价模型.docVIP

基于BP算法企业经营状况评价模型 　　摘要:利用2008年的64家公司的数据构建了以每股收益、每股净资产、净资产收益率、主营利润增长率为主的企业经营状况的指标体系,并通过matlab 软件建立了基于BP算法的企业经营状况的评价模型。最后利用该模型对2009年的17家公司的经营状况进行了评价,仿真结果表明,基于BP算法的企业经营状况评价模型是一种非常有效的评价方法。 　　关键词:BP算法;经营状况;指标体系;评价模型 　　中图分类号:F27文献标志码:A文章编号:1673-291X(2010)31-0036-03 　　 　　前言 　　企业的经营状况越来越多受到投资者的关注,它也是企业经济活动中的很重要的问题,因此如何做企业的经营状况评价问题也就是企业面临的一个十分重要的问题。只有真正建立起适应企业经济发展的评价模型,才能使企业在激烈的市场竞争中立于不败之地。 　　常用的评价模型很多,主要有统计方法和神经网络方法等。统???方法如层次分析法评价模型[1]、模糊综合评价模型[2]、Logistic回归模型[3]、Bayes判别信用评价模型[4]、因子分析法[5]、聚类分析法[6～7]和主成分分析法等,虽然这些方法已得到了广泛的应用,但他们或多或少存在着一些欠缺:有些模型只能应用于线性场合,对于非线性场合不适用;有些模型对于数据的分布要求很严格;有些模型的建立依赖于个人经验,有些模型难以应用于多因素场合。统计方法需要描述自变量与因变量之间的函数关系,当状况较为复杂,用统计方法不易解决的时候,神经网络可以成功的解决这一类问题。由于人工神经网络具有并行处理、鲁棒性和自组织等特点而被广泛应用[8～9]。下面采用BP神经网络建立企业经营状况评价模型。 　　一、网络设计与训练 　　将中国2008年的64家公司作为训练样本,其中经营正常的公司有39家,经营差的公司有25家,测试样本采用2009年的17家公司,其中经营正常的公司9家,经营差的公司有8家。 　　1.网络层数的确定 　　构造一个2层的BP网络来解决本节提出的两类模式分类问题。 　　2.输入维数、输出层节点的确定 　　对两类模式分类问题,财务指标选取4个财务指标x1=每股收益, x2=每股净资产,x3 =净资产收益率, x4=主营利润增长率, 用“0” 代表经营差的企业,用“1” 代表经营正常的企业.所以输入维数为4,输出层选取1个节点。 　　3.隐层节点的确定 　　一般状况下,隐含层的结点数较难确定,因而采用试凑法。在能正确反映、实现输入输出映射的基础上,尽量选取较少的隐层结点数,从而使网络模型尽可能的简单。为了使数据更加精准,先将数据进行归一化处理,隐层分别选取节点为3,4,5,利用上述训练样本对网络进行训练。当隐层选取3个节点时,训练误差变化曲线(如图1);当隐层选取4个节点时,训练误差变化曲线(如图2);当隐层选取5个节点时,训练误差变化曲线(如图3)。 　　图1 　　图 2 　　图 3 　　从训练误差曲线图可以看出,当隐层选取3个节点时,当训练到第11步时,训练误差达到0.001,当隐层选取4个节点时,当训练到第5～6步时,训练误差达到0.001,当隐层选取5个节点时,当训练到第10～11步时,训练误差达到0.001,因而,当隐节点为4时,所需要的训练步骤最少,所以隐层节点选为4。 　　二、基于BP神经网络的经营状况评价模型 　　当隐层节点选为4时,各层的连接权值和阈值分别为: 　　w=3.33852.09120.1425- 0.3756- 0.1848 2.27941.5118- 2.85743.0057- 2.4902 0.5163- 0.4217- 1.0658 - 2.3104 - 0.8535 - 2.9116 　　B1=- 3.9598 1.3199 1.3199- 3.9598 　　V=[- 1.6817 2.9964 2.2098 3.8302] B2=- 3.6774 　　则由此得到BP神经网络的信用评价模型为: 　　y=gVjgXjixi+B1j+B2 　　其中:第一个g为logsig函数,第二个g为logsig函数,Vj为输出权值,Wj为输入权值,B1为输入阈值,B2为输出阈值。 　　三、网络的仿真 　　1.训练样本的网络仿真 　　利用所建立的信用评价模型对64个训练样本(经营差的企业25个,序号为1-25,经营正常的企业39个,序号为26-64)进行两类模式分类。仿真结果(见表1),从表1可以看出有25个网络输出值接近于0,序号为1-25,有39个网络输出值接近于1,序号为26-64,这表明在训练样本中经营正常的企业的正确识别个数为39,经营差的企业正确识别个数为25(见表2),因此该评价模型